畢業(yè)論文--基于遙感影像的土地利用現(xiàn)狀分類方法研究

1、<p>　　基于遙感影像的土地利用現(xiàn)狀分類方法研究</p><p>　　摘 要：遙感技術(shù)已經(jīng)成為土地利用信息來源的主要手段，分類方法研究在其中占有重要的地位，分類方法的優(yōu)劣直接關(guān)系著分類的精度。本文在傳統(tǒng)的遙感分類技術(shù)的基礎(chǔ)上，結(jié)合當(dāng)今遙感影像分類技術(shù)領(lǐng)域內(nèi)的一些新進(jìn)展和應(yīng)用, 對(duì)土地利用分類技術(shù)做出較為全面的闡述。</p><p>　　關(guān)鍵詞：遙感影像；土地利用；分類方法；&

2、lt;/p><p>　　Study of Classification Methods of Land Use</p><p>　　Based on Remote Sensing Technology</p><p>　　Abstract: Technology of Remote sensing has become the principal means of la

3、nd use information sources,classification method research occupies an important position in the field,advantages and disadvantages of classification method are directly related to the accuracy of classification. Based on

4、 the development and application in the area of the remote sensing image classification technology nowadays, the new technology methods of the land cover classificationare discussed completely in this arti</p><

5、;p>　　Key Words: remote sensing image;classification method ; land use</p><p><b>　　引言</b></p><p>　　土地分類是根據(jù)土地性狀、地域和用途等方面存在的差異性, 按照一定的規(guī)律, 將土地歸并成若干不同類別，為土地管理和調(diào)控提供基本信息。土地利用分類是人們對(duì)土地資源認(rèn)識(shí)

6、的表現(xiàn), 科學(xué)嚴(yán)謹(jǐn)?shù)耐恋乩矛F(xiàn)狀分類關(guān)系到土地資源的合理、可持續(xù)利用, 關(guān)系到土地利用類型結(jié)構(gòu)的優(yōu)化以及土地資源社會(huì)經(jīng)濟(jì)生態(tài)效益的綜合發(fā)揮[1]。隨著遙感平臺(tái)的多樣化和圖像分辨率的提高，以及計(jì)算機(jī)技術(shù)的迅速發(fā)展，遙感技術(shù)已成為土地資源利用研究的重要手段。因而通過遙感圖像處理、解譯分類提取土地利用信息已成為土地利用研究必不可少的一步。遙感影像土地利用分類是指遙感影像中的像元根據(jù)其在不同波段的光譜亮度、空間結(jié)構(gòu)特征或其它信息，按照某種規(guī)則或

7、算法進(jìn)行的土地利用的分類。本文基于遙感機(jī)助分類技術(shù)來闡述了幾種不同的土地利用的分類方法。</p><p>　　1 土地利用的分類概述</p><p>　　在遙感技術(shù)的研究中, 通過遙感影像判讀識(shí)別各種地物是遙感技術(shù)發(fā)展的1個(gè)重要環(huán)節(jié)無論是專題信息的提取, 動(dòng)態(tài)變化的監(jiān)測(cè), 還是專題地圖的制作, 或是遙感數(shù)據(jù)庫的建立等都離不開遙感圖像的分類。圖像分類的過程, 實(shí)際上就是將圖像中的每個(gè)像元點(diǎn)或

8、每一塊區(qū)域劃分到若干類別中的一類, 或若干專題要素中的一種。分類的結(jié)果是將圖像空間劃分為若干子區(qū)域, 每個(gè)子區(qū)域代表一種實(shí)際地物[2]。</p><p>　　遙感影像的計(jì)算機(jī)分類方法有2種, 統(tǒng)計(jì)模式方法和句法模式方法。常見的分類方法一般為統(tǒng)計(jì)識(shí)別模式, 如最大似然法、K2最近判別法等。近年來發(fā)展的分類新方法則多采用句法方法, 這類方法有人工神經(jīng)網(wǎng)絡(luò)方法、模糊數(shù)學(xué)方法、專家系統(tǒng)法和決策樹分類法等。</p&g

9、t;<p>　　遙感圖像的統(tǒng)計(jì)分類又分為2種： 非監(jiān)督分類和監(jiān)督分類。非監(jiān)督分類是對(duì)于遙感圖像地物的屬性不具有先驗(yàn)知識(shí)， 僅僅依靠不同的光譜數(shù)據(jù)組合在統(tǒng)計(jì)上的差別來進(jìn)行分類, 然后再對(duì)已經(jīng)分出的各類地物的屬性進(jìn)行確認(rèn)的過程；監(jiān)督分類是基于對(duì)遙感圖像上樣本區(qū)內(nèi)的地物的類別已有一定的先驗(yàn)知識(shí)，即已經(jīng)知道它所對(duì)應(yīng)的地物類別，因而可以利用這些樣本的類別特征作為依據(jù), 從而判斷非樣本數(shù)據(jù)的類別[3]。</p><

10、p>　　2 土地利用的機(jī)助分類方法</p><p>　　眾所周知,一幅遙感數(shù)字圖像相應(yīng)為一光譜數(shù)字矩陣,其行列交點(diǎn)為圖像元素或稱像素(像點(diǎn)、像元) 。對(duì)這些像元及其灰階表現(xiàn)出的紋理特征,采用不同的分類決策進(jìn)行分類識(shí)別,最終實(shí)現(xiàn)地物的分類和提取土地利用與土地覆蓋信息。一個(gè)理想的分類決策應(yīng)該符合如下標(biāo)準(zhǔn): ①精確； ②可重復(fù)使用；③嚴(yán)謹(jǐn)(對(duì)細(xì)微變化不敏感) 且能完全開發(fā)出數(shù)據(jù)內(nèi)涵；④可整體運(yùn)用于整個(gè)目標(biāo)區(qū)域；⑤

11、客觀(不依賴于分析者的決定)[4]。但這些標(biāo)準(zhǔn)往往很難滿足。大多數(shù)分類器是基于光譜信息的統(tǒng)計(jì)模式進(jìn)行分類識(shí)別的, 如聚類分析、決策樹和相似性測(cè)度等，但一些后起的、融合有關(guān)分類類別知識(shí)的分類決策即基于知識(shí)或GIS 的分類器和多源遙感影像融合分類器也越來越重要。此外對(duì)土地資源這樣的遙感圖像進(jìn)行分類，關(guān)鍵是要區(qū)分出土地覆被，所以通過動(dòng)態(tài)監(jiān)測(cè)模型來識(shí)別植被類型從而確定土地類型也已成為研究的趨勢(shì)。</p><p>　　2.

12、1 基于統(tǒng)計(jì)的分類決策</p><p>　　在土地利用與土地覆蓋變化(LUCC) 分類研究中,絕大多數(shù)基于光譜信息統(tǒng)計(jì)模式的算法都采用了監(jiān)督和非監(jiān)督分類方法,即使人工神經(jīng)網(wǎng)絡(luò)分類算法,目前也屬于監(jiān)督分類方法范疇。監(jiān)督分類可以有效開發(fā)數(shù)據(jù)內(nèi)容,但需要太多信息可以決定地表信息的先驗(yàn)概率以致一部分信息被忽略；非監(jiān)督分類雖是基于整個(gè)區(qū)域特征進(jìn)行的且不需要先驗(yàn)概率并具操作獨(dú)立性,但常?？赡軄G失特定的卻是相關(guān)的細(xì)節(jié)信息,進(jìn)而

13、限制了分類的客觀性。基于統(tǒng)計(jì)決策分類器的缺陷隨著分類方法而異,但大都因以下方面知識(shí)不能準(zhǔn)確知道或在實(shí)際運(yùn)用中不可能知道而受到影響[5],即①區(qū)域光譜聚類的先驗(yàn)知識(shí)(概率) ； ②相似空間分布以及土地分類和土地覆蓋目標(biāo)光譜變化的先驗(yàn)知識(shí)(概率) ；③多維光譜空間中光譜聚類以及它們分布的統(tǒng)計(jì)特征知識(shí)；④控制分類過程事先規(guī)定的參數(shù)等。</p><p>　　為克服上述分類的缺點(diǎn), 基于視覺神經(jīng)理論的人工神經(jīng)網(wǎng)絡(luò)分類、基于

14、邏輯推理的符號(hào)知識(shí)分類以及其他一些分類技術(shù)正得到深入的研究并日趨成熟。</p><p>　　2.1.1 人工神經(jīng)網(wǎng)絡(luò)分類法</p><p>　　神經(jīng)網(wǎng)絡(luò)（ANN）用于遙感圖像分類的主要思想是把遙感圖像的特征作為神經(jīng)網(wǎng)絡(luò)的輸入信號(hào), 神經(jīng)網(wǎng)絡(luò)按一定規(guī)則訓(xùn)練后, 在輸出端即可對(duì)輸出信號(hào)進(jìn)行分類。具有對(duì)信息的分布式存儲(chǔ), 并行處理、自組織、自學(xué)習(xí)等特點(diǎn), 通過許多具有簡單處理能力的神經(jīng)元的復(fù)合作

15、用而具有復(fù)雜的非線性映射能力。ANN方法用于遙感圖像分類始于1988 年, 目前這種技術(shù)已得到較為廣泛和深入的應(yīng)用, 從單一的BP網(wǎng)絡(luò)發(fā)展到自組織網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、自適應(yīng)共振網(wǎng)絡(luò)等多種網(wǎng)絡(luò)。ANN 分類器是非參數(shù)型的, 有較好的容錯(cuò)特性, 已有的研究都表明其分類精度要高于傳統(tǒng)的基于統(tǒng)計(jì)的分類方法。</p><p>　　2.1.2 模糊分類法</p><p>　　遙感信息主要反映的是地球

16、表層信息, 由于地球表層系統(tǒng)的復(fù)雜性和開放性, 地表信息是多維的、無限的, 遙感信息傳遞過程中的局限性以及遙感信息之間的復(fù)雜相關(guān)性, 決定了遙感信息的分析結(jié)果具有不確定性和多解性[6], 這正是模糊分類成為遙感影像分類研究中一個(gè)重要趨勢(shì)的原因所在, 已有的很多研究都證明了模糊分類在分析混合像元、提高分類精度等方面具有較大優(yōu)勢(shì)。模糊分類是神經(jīng)網(wǎng)絡(luò)和概率論之外, 另一個(gè)功能強(qiáng)大、在土地利用遙感分類領(lǐng)域應(yīng)用廣泛的軟分類器。模糊邏輯( fuzz

17、y logic) 是模糊分類的理論基礎(chǔ), 它是一個(gè)對(duì)不確定性進(jìn)行定量陳述的多值邏輯體系( mult-i valued logic) , 其基本思想是用連續(xù)的數(shù)值范圍[ 0, 1] 取代非/ 是(1) 0即/ 否( 0) 0的布爾邏輯陳述( Boolean logic statement) , 0與1之間任何數(shù)值均可用以表示是與否之間的過渡狀態(tài)。由于避免了武斷的人為設(shè)定閾值或硬性邊界, 模糊邏輯能比二元語義的布爾邏輯更好地對(duì)真實(shí)世界進(jìn)行描

18、述。建立一個(gè)完整的模糊系統(tǒng)是實(shí)施模糊分類的前提, 這一系統(tǒng)包括三個(gè)主要基本環(huán)節(jié): 輸入變量的模糊</p><p>　　2.1.3 支撐向量機(jī)分類方法( Suppor t Vector Machine)</p><p>　　支撐向量機(jī)( SVM) 是由Vapnik 提出的, 結(jié)構(gòu)風(fēng)險(xiǎn)理論、二次優(yōu)化理論、核空間理論是SVM 的三大基礎(chǔ)理論[7] 。SVM 法不同于傳統(tǒng)統(tǒng)計(jì)方法和ANN 法, 它

19、不是通過特征個(gè)數(shù)變少來控制模型的復(fù)雜性, 它提供了一個(gè)與問題維數(shù)無關(guān)的函數(shù)復(fù)雜性的有意義刻劃[8] , 用事先定義的非線性變換函數(shù)集, 把向量映射到高維特征空間中, 按照支撐向量與決策曲面的空隙極大化的原則來產(chǎn)生最優(yōu)超平面, 然后再把高維特征空間的線性決策邊界映射到輸入空間的非線性決策邊界。C. Huang 等人認(rèn)為SVM 是在高維數(shù)據(jù)分類上最好的機(jī)器學(xué)習(xí)算法, 而且可以在小樣本的情況下就獲得較高的準(zhǔn)確率, 因?yàn)镾VM 劃分邊界時(shí)依靠支

20、撐向量, 而不是靠由大量數(shù)據(jù)獲得的統(tǒng)計(jì)特征[8]。</p><p>　　以上方法雖不依賴于光譜空間數(shù)據(jù)的先驗(yàn)知識(shí)而具有客觀性,并在一定程度上提高了分類精度,但是仍不具有普遍性。</p><p>　　2.2 基于知識(shí)和GIS的分類決策</p><p>　　基于知識(shí)和GIS的分類決策,是引入高層知識(shí),并將有關(guān)類別的知識(shí)作用于分類設(shè)計(jì)的各個(gè)過程,以利于分類和提高分類精度。

21、在土地利用現(xiàn)狀調(diào)查中,涉及到許多利于土地覆蓋與土地利用類型分類的知識(shí)。這些知識(shí)包括因不同的生長區(qū)域、不同的生長環(huán)境以及物種不同而表現(xiàn)出的不同特征。充分考慮到并運(yùn)用這些類別的知識(shí)能有效地提高分類精度。歸納起來有以下幾種情況：</p><p>　　(1) 基于植物生長特征的土地利用與土地覆蓋分類識(shí)別。利用不同季相的遙感圖像進(jìn)行分類識(shí)別,利用植被指數(shù)如NDVI、GUI、WI、BI 等進(jìn)行間接分類識(shí)別[9]；</p

22、><p>　　(2) 基于其它知識(shí)的分類識(shí)別?；谶吘墮z測(cè)和基于區(qū)域分類的雙重信息基礎(chǔ)之上的三維場(chǎng)景[10]以及建立在光譜和空間(知識(shí)) 規(guī)則上的圖像分類系統(tǒng)[11]；</p><p>　　(3) 基于句法結(jié)構(gòu)的分類識(shí)別,如光譜知識(shí)和上下文信息相結(jié)合[12]以及使用語義網(wǎng)絡(luò)場(chǎng)景的結(jié)構(gòu)分析自動(dòng)解譯系統(tǒng)[13]；</p><p>　　(4) 基于GIS 的分類識(shí)別。GIS

23、可以數(shù)值化(量化) 的形式存儲(chǔ)大量的屬性信息和地形地貌拓?fù)湫畔?。這些信息可以充分地應(yīng)用到遙感圖像的分類決策中。坡度、方位、地勢(shì),以及高程對(duì)植被的分布有很大的影響,同時(shí)人文因素也越來越多地作用于土地利用與土地覆蓋變化[8 ,14],有效的利用這些量化信息能夠提高分類的精度[15 ,16]。</p><p>　　基于不同決策的分類方法,往往因強(qiáng)調(diào)不同的重點(diǎn)而側(cè)重于不同的先驗(yàn)知識(shí)。基于知識(shí)和GIS的分類,因知識(shí)表達(dá)與量

24、化存在一定的局限性,不能有效地融入分類識(shí)別決策之中而限制了其發(fā)展。</p><p>　　2.3 基于多元數(shù)據(jù)融合的分類決策</p><p>　　多源信息融合就是把多種信息(遙感和非遙感數(shù)據(jù))按照一定的方式有機(jī)地組合成統(tǒng)一的信息模型。這類方法有基于知識(shí)的推理、信息融合、空間數(shù)據(jù)挖掘等。知識(shí)的推理方法可以利用現(xiàn)有的GIS數(shù)據(jù)和先驗(yàn)知識(shí),可以減少分類時(shí)遇到的“同物異譜”和“同譜異物”的現(xiàn)象[17

25、] 。信息融合是利用多個(gè)遙感信息源所提供的反映所處環(huán)境或?qū)ο蟮牟煌卣餍畔⒅g的互補(bǔ)性和冗余性,采用有效的方法將它們?nèi)诤?彌補(bǔ)單一信息源的缺陷。GIS作為輔助數(shù)據(jù)用于提高遙感圖像分類精度是近年常采用的方法。GIS可作為輔助數(shù)據(jù)用于訓(xùn)練區(qū)的選擇、分類數(shù)據(jù)預(yù)分層及分類后處理,或作為附加波段用于分類的過程。例如, R. M. Prol - Ledesma將TM圖像和地形圖結(jié)合采用監(jiān)督分類方法對(duì)Mexico郊區(qū)的土地利用變化進(jìn)行分類,分類精度達(dá)

26、到82%[18] 。程昌秀在土地利用動(dòng)態(tài)監(jiān)測(cè)中,將土地利用現(xiàn)狀的矢量數(shù)據(jù)與同年同地區(qū)的遙感影像做配準(zhǔn)與疊加,對(duì)于少數(shù)地類不單一的圖斑做局部邊界提取,使分割后輸入圖斑內(nèi)的地類單一,再以圖斑為單位提取整個(gè)圖斑的灰度特征、紋理特征和形態(tài)特征等多種判別指標(biāo),大大提高了影像的判別精度[19]。</p><p>　　但是,當(dāng)分類器要求數(shù)據(jù)具有一定的統(tǒng)計(jì)特征時(shí),而多數(shù)GIS數(shù)據(jù)作為輔助數(shù)據(jù)往往又不滿足統(tǒng)計(jì)分類所要求的統(tǒng)計(jì)特性。

27、這樣附加“波段”方法就不合適。為解決這個(gè)問題,有不少研究者提出了知識(shí)驅(qū)動(dòng)的遙感解譯,即將空間數(shù)據(jù)發(fā)掘和知識(shí)發(fā)現(xiàn)作用于GIS數(shù)據(jù)庫并用于遙感分類?？臻g數(shù)據(jù)挖掘是從空間數(shù)據(jù)庫中提取用戶感興趣的空間模式與特征、空間與非空間數(shù)據(jù)的普遍關(guān)系及其它一些隱含在數(shù)據(jù)庫中的普遍的數(shù)據(jù)特征的過程[20] 。它主要是采用數(shù)據(jù)發(fā)掘技術(shù)從GIS數(shù)據(jù)庫和遙感圖像中發(fā)現(xiàn)知識(shí),用于改善遙感圖像分類。這類方法可以利用已經(jīng)獲得的相關(guān)知識(shí)來改進(jìn)或確定分類結(jié)果,但是需解決多種

28、信息不一致時(shí)的問題。例如,游代安提出了從GIS空間數(shù)據(jù)庫中挖掘知識(shí)用以輔助遙感影像分類,以提高分類精度[21] 。邸凱昌等將該方法用于北京地區(qū)SPOT多光譜圖像和GIS數(shù)據(jù)庫進(jìn)行土地利用分類,能較好地解決同物異譜,異物同譜等問題,分類精度得到提高,并且能根據(jù)發(fā)現(xiàn)的知識(shí)進(jìn)一步細(xì)分類,擴(kuò)展了圖像分類的能力[20] 。</p><p>　　2.4 基于頻譜分析的分類決策</p><p>　　對(duì)土

29、地資源分類時(shí)，地表植被的類型判斷尤為重要。而在植被信息中，歸一化植被指數(shù)(NDVI)隨著季節(jié)的變化，不同植被類型的NDVI 值發(fā)生變化，而對(duì)同一區(qū)域，時(shí)間序列相同的植被，其NDVI 具有相似的變化曲線，因此可以考慮把NDVI 曲線看作是一個(gè)時(shí)間信號(hào)。根據(jù)Parseval 理論，對(duì)任一時(shí)間序列，其在時(shí)間領(lǐng)域的能量等同于其在頻率領(lǐng)域的能量[5]，因此可以通過變換將原始的時(shí)間序列從時(shí)間領(lǐng)域變換到頻率領(lǐng)域，然后用于土地覆被遙感圖像的分類。如鄭玉

30、坤，宋楊等[22,23]用頻譜分析方法中的傅立葉變換對(duì)土地覆被遙感圖像的分類作了初步的研究?？傊陬l譜分析的分類方法是一種結(jié)合了地表生物信息的有效的分類方法，但由于該分類方法主要是基于NDVI 時(shí)序的變化特征來進(jìn)行分類，因此在對(duì)諸如水體等NDVI 無明顯特征變化的地類無法進(jìn)行識(shí)別，存在一定的缺陷。在應(yīng)用過程中應(yīng)輔以其他的分類方法。此外，在分類中受空間分辨率小、不同地物綠度變化曲線缺乏、考慮的因素不全面等原因也會(huì)造成分類精度相對(duì)較低。

31、該方法目前應(yīng)用還不普遍。</p><p>　　3 土地利用的分類精度評(píng)價(jià)</p><p>　　在土地利用與土地覆蓋變化研究中,土地利用分類精度的評(píng)價(jià)不僅必要也十分重要。一方面可以有效地對(duì)分類器進(jìn)行評(píng)價(jià)從而改造分類器,另一方面也是對(duì)遙感分類成果的最終評(píng)價(jià),即對(duì)分類圖中錯(cuò)誤的理解,全面評(píng)價(jià)分類圖的可靠性。精度評(píng)價(jià)一般基于下列準(zhǔn)則[4]:</p><p>　　(1) 取樣

32、設(shè)計(jì)必須經(jīng)濟(jì)有效;</p><p>　　(2) 分類規(guī)則必須嚴(yán)謹(jǐn)且定義完美;</p><p>　　(3) 評(píng)價(jià)精度程序具有統(tǒng)計(jì)定義上的嚴(yán)謹(jǐn);</p><p>　　(4) 檢驗(yàn)數(shù)據(jù)的精度也要進(jìn)行評(píng)估;</p><p>　　(5) 評(píng)價(jià)分類精度的數(shù)據(jù)必須與用于分類的那些數(shù)據(jù)一樣具有相同的規(guī)范化的高質(zhì)量。</p><p>　

33、　分類精度一般采用矩陣、混淆矩陣表示,其它如誤差動(dòng)態(tài)表示方式等也可采用。</p><p>　　4 土地利用分類方法研究的趨勢(shì)和前景</p><p>　　隨著遙感技術(shù)的發(fā)展,結(jié)合人工智能技術(shù)和理論的發(fā)展,模糊數(shù)學(xué)的成熟應(yīng)用以及計(jì)算機(jī)運(yùn)算能力的大幅提高,基于光譜特征空間分析的非參數(shù)型技術(shù)分類方法逐步成熟。基于神經(jīng)計(jì)算理論的遙感影像分類方法在國內(nèi)外很多專家都已經(jīng)做了大量的研究工作,人工神經(jīng)網(wǎng)絡(luò)已

34、經(jīng)在遙感影像分類和信息提取等研究中得到了廣泛的應(yīng)用,如土地覆蓋的分類問題、多時(shí)相動(dòng)態(tài)地物的區(qū)分、基于多源空間數(shù)據(jù)的融合和分類、模糊分類、融合先驗(yàn)知識(shí)的遙感影像分類、影像結(jié)構(gòu)信息提取等,這些應(yīng)用在不同程度上都獲得了有實(shí)際意義的結(jié)果。但是,遙感影像數(shù)據(jù)類別多,含混度大,如何解決多類別分類識(shí)別并滿足一定的分類精度,是當(dāng)前遙感影像研究中的一個(gè)關(guān)鍵問題。當(dāng)前遙感影像分類的研究熱點(diǎn)主要包括: ①影像空間分布與結(jié)構(gòu)信息的提??； ②基于知識(shí)庫和推理機(jī)的

35、遙感影像分類； ③人工神經(jīng)網(wǎng)絡(luò)方法； ④面向?qū)ο蠓诸悾?⑤分類結(jié)果的定量評(píng)價(jià)方法。隨著這些研究的進(jìn)一步深入,遙感影像分類更加自動(dòng)化和智能化,分類精度將得到進(jìn)一步提高。</p><p><b>　　5 結(jié)語</b></p><p>　　目前,遙感應(yīng)用中使用較多的仍是傳統(tǒng)的分類方法。近年來,隨著遙感技術(shù)和計(jì)算機(jī)技術(shù)的不斷發(fā)展,專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、模糊技術(shù)和數(shù)學(xué)形態(tài)學(xué)等一些

36、原來實(shí)現(xiàn)困難的新方法也在遙感圖像分類中發(fā)揮作用,雖然這些新的方法比傳統(tǒng)的方法在分類精度上有明顯提高,可也存在一定的不足。為了進(jìn)一步提高分類精度,綜合利用各種信息進(jìn)行遙感圖像分類勢(shì)在必行,同時(shí)這也是遙感應(yīng)用科學(xué)家們一直探索的方向之一。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　[1] 賈庭芳，尹琦，李勃等.利用遙感信息實(shí)現(xiàn)土地利用分類方法研究[J

37、]．云南地質(zhì)，2008，27（3）：383～389．</p><p>　　[2] 湯國安.遙感數(shù)字圖像處理[M].北京:科學(xué)出版社，2004：1170 ～1731．</p><p>　　[3] 紀(jì)仰慧，李國春，關(guān)宏強(qiáng).土地利用/覆蓋遙感分類研究綜述[J]．信息資源建設(shè)與管理，2005，15(8)：36～38</p><p>　　[4] Congalton R G,

38、et al. Mapping and monitoring agricultural crops and other land cover in the lower Colorado River Basin.PE &RS , 1998 ,64 (11) :1107～1113</p><p>　　[5]　Cihlar J , et al. Classification by progressive gene

39、ralization : A new authomated methodology for remote sensing multichanneldata. Int . J . Remote Sensing ,1998 ,19 (14) :2685～2704</p><p>　　[6] 駱建承, 周成虎, 楊艷. 具有部分監(jiān)督的遙感影像模糊聚類方法研究及應(yīng)用[J]. 遙感技術(shù)與應(yīng)用, 1999, 14( 4):

40、37~ 43</p><p>　　[7] 劉偉強(qiáng), 胡靜, 夏德深. 基于核空間的多光譜遙感圖像分類方法[J]．國土資源遙感, 2002( 3) : 44~ 47</p><p>　　[8] C.Huang, L. S. Davis, J. R. G. Tow nshend. An assessment of support vect or machine f or land cove

41、r classification [ J] . Int ernat ional Journal of Remot e Sensing, 2002, 23( 4)725~ 749</p><p>　　[9] 　Todd S W, et al. Responses of spectral indices to variations in vegetation cover and soil background. PE

42、 &RS , 1998 ,64 (9) :915～921</p><p>　　[10]Bonnin P , Zadorique B. An edge point/ region cooperative segmentation spectic to 3D scence reconstruction. in vcip’90. SPIE ,1990 ,1360 :1270～1281</p>&l

43、t;p>　　[11] Ton J , et al. Knowledge- based segmentation of land images. IEEE Trans. Geosci. Remote Sensing , 1991 ,29 (3) :222～231</p><p>　　[12] Wharton S W. A spectral- knowledge- based approach for urba

44、n land cover discrimination. IEEE Trans. Geosci. Remote Sensing , 1987 ,Ge～25 (5) :272～282</p><p>　　[13] Nicolin B , et al. A knowledge- based systemfor the analysis of aerial images. IEEE Trans. Geosci. Rem

45、ote Sensing , 1987 , GE-25 (5) :317～329</p><p>　　[14] 陳白明. 試論中國土地利用和土地覆被變化及其人類驅(qū)動(dòng)力研究．自然資源，1997，2：31～35</p><p>　　[15] Prakash A , et al. Land- use mapping and change detection in coal mining area-

46、a case study in the J haria coalfield , India. Int . J .Remote Sensing , 1998 ,19 (3) :391～410</p><p>　　[16] 陳健飛.“3S”技術(shù)與資源可持續(xù)利用. 資源科學(xué)，1998 ，20 (6)：20～24</p><p>　　[17]　楊存建,周成虎. 基于知識(shí)的遙感圖像分類方法的探討[J

47、]．地理學(xué)與國土研究，2001，17 (1)： 72 ～77</p><p>　　[18] Prol - LedesmaM. A Comparison of contextual classification methods using TM [ J ]. Int. J. Remote Sensing, 1997, 18 (18) : 3885 ～3842</p><p>　　[19]

48、程昌秀,嚴(yán)泰來.GIS與RS集成的高分辨率遙感影象分類技術(shù)在地類識(shí)別中的應(yīng)用[ J ]．中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2001， 6 (3)： 50 ～54</p><p>　　[20] 邸凱昌,李德仁,李德毅. 基于空間數(shù)據(jù)發(fā)掘的遙感圖像分類方法研究[ J ]．武漢測(cè)繪科技大學(xué)學(xué)報(bào)，1997， 12 (4)： 42～48</p><p>　　[21] 游代安,蔣定華.GIS輔助下的Bayes法遙感影

49、象分類[J]．測(cè)繪</p><p>　　學(xué)院學(xué)報(bào)，2001， 18 (2)： 113 ～ 117</p><p>　　[22] 鄭玉坤,莊大方.多時(shí)相AVHRR 數(shù)據(jù)的傅立葉分析[J]．中國科學(xué)院研究生院學(xué)報(bào)，2003，20(1)：62～68</p><p>　　[23] 宋楊,萬幼川,申紹洪,等,基于傅立葉變換的混合分類模型用于NDVI 時(shí)序影像分析[J]．武漢大